Hunches背后的科学：深度设备嵌入技术

通过Alexa，用户可以用语音控制数千种不同的智能家居设备——如灯光、插座、开关、门锁、摄像头和恒温器等。但Alexa的智能家居界面不仅仅是基于语音的遥控器。

2018年推出的Hunches功能会在检测到用户可能忘记关灯或锁门时发送提醒。此后该功能升级为"自动动作"：当用户入睡或离家时自动关闭灯光并调节恒温器。目前，得益于Hunches和Routines等预测性功能，四分之一的智能家居交互由Alexa主动发起。

执行家庭自动化动作需要严谨的机器学习模型支持。在触发动作前，多个模型会协同决策，包括评估光照水平、预测用户睡眠/离家状态以及确定需要控制的设备。其中关键环节是通过映射用户设备使用模式到典型原型来决定控制哪个设备。

智能家居使用模式分析

设备命名、分组和使用方式共同构成其使用特征。例如：

• 卫生间灯光呈现日间短时开启和夜间长时开启的模式
• 名为"Plug 1"的设备可能与客厅设备存在使用关联性
• 设备标签可能无法准确反映实际用途（如"卧室灯"可能用于客房或壁橱）

实现主动服务面临两大挑战：

1. 数据稀疏性：部分用户仅拥有基础设备
2. 场景多样性：相同设备配置可能对应完全不同的使用方式

深度设备嵌入模型

核心模型包含编码器-解码器架构：

• 编码器生成设备嵌入向量，编码设备历史状态、名称、类型和分组信息
• 解码器基于嵌入向量预测设备未来状态
• 嵌入空间通过聚类形成60个典型使用模式类别（如户外设备聚类包含"porch"和"outside"标签）

可视化分析显示：

• 嵌入空间能自动识别语义关联（如长时间开启的设备形成独立聚类）
• 相同使用模式的设备即使命名不同也会被归入同一聚类
• 该技术为自动动作和Hunches等服务提供统一决策框架

未来方向

当前模型将所有设备映射到通用角色，未来将通过"深度家庭嵌入"实现更个性化的服务。随着用户设备数量增长，将持续优化自动化决策算法，为不同配置的智能家居提供一致的良好体验。